)
一、数据简介量化火情分布解码中国多维火灾机制在气候变化、土地利用转型与城乡结构快速演化的背景下火灾不仅影响生态安全也对农业、林业和城市治理产生深远作用。然而学术界与政策端长期缺乏覆盖多类型火情、全空间范围、跨时间序列的系统化微观数据使得对火灾成因、风险扩散及治理效果的精细化研究受限。为填补这一数据空白CnDataSeed团队整理并构建了《中国各类火情研究全量数据库》通过将起火点与土地利用栅格、POI信息及行政区面板数据精确对应实现火情的分类、空间与时序特征的标准化整合。该数据库包含起火点-土地利用明细、栅格面板、POI-起火点关联、行政区面板等核心子表能够反映火情的空间分布、土地利用类型差异、热点聚集模式及潜在风险区域。通过统一算法处理与指标计算数据库生成可量化的核心指标用以揭示火灾发生的环境因素、人类活动关联以及区域治理差异为生态风险分析、灾害预警、资源管理和政策评估提供坚实数据支撑。相比传统火情观测数据它显著提升了火情研究的空间精度、类型区分能力与时间连续性使跨类型、跨区域的长期趋势分析与风险预测成为可能。《中国各类火情研究全量数据库》适用于生态环境研究、自然灾害风险管理、农业面源污染治理、森林与草原保护、城乡安全规划与政策评估等领域。研究者可基于该数据库构建火情发生机制模型、评估治理政策效果、开展多尺度风险模拟实现从火点观测到风险量化的系统跃迁为中国火灾科学研究与生态安全治理提供高质量、可复现的实证支撑二、数据概览数据组成数据字段数据表格1.起火点-土地利用明细表2.栅格面板表3.行政区面板数据表4.POI-起火点关联表三、相关处理—起火点数据处理CRS 对齐与火点–行政区空间匹配对火点数据、行政边界与土地利用栅格进行坐标系统一并通过 geopandas.sjoin() 建立火点与行政区的空间关联为后续土地利用匹配奠定基础。# CRS 对齐 fires fires.to_crs(raster.crs) admin admin.to_crs(raster.crs) # 火点与行政区空间连接 fires_in_bj gpd.sjoin(fires, admin, howinner, predicateintersects)栅格土地利用赋值利用 rasterio.sample() 对火点逐点读取土地利用栅格值实现火点–土地类型的点级关联。coords [(geom.x, geom.y) for geom in fires_in_bj.geometry] vals [v[0] if v else 0 for v in raster.sample(coords)] fires_in_bj[landcover_code] vals fires_in_bj[landcover_class] fires_in_bj[landcover_code].map(landcover_dict)四、相关研究部分相关研究示例Deng, H., Li, D., Cai, S. et al. Spatio-temporal dynamics of forest fire occurrence in Yunnan, China from 2001 to 2021 based on MODIS. npj Nat. Hazards 2, 52 (2025). https://doi.org/10.1038/s44304-025-00102-6更多相关研究[1]Vadrevu, K.P., Lasko, K., Giglio, L. et al. Trends in Vegetation fires in South and Southeast Asian Countries. Sci Rep 9, 7422 (2019). https://doi.org/10.1038/s41598-019-43940-x[2]Li, W., Xu, Q., Yi, J. et al. Predictive model of spatial scale of forest fire driving factors: a case study of Yunnan Province, China. Sci Rep 12, 19029 (2022). https://doi.org/10.1038/s41598-022-23697-6六、获取方式https://cndataseed.com/
CnDataSeed发布：中国各类火情研究全量数据库(CCWDR)
发布时间：2026/7/9 10:36:37
一、数据简介量化火情分布解码中国多维火灾机制在气候变化、土地利用转型与城乡结构快速演化的背景下火灾不仅影响生态安全也对农业、林业和城市治理产生深远作用。然而学术界与政策端长期缺乏覆盖多类型火情、全空间范围、跨时间序列的系统化微观数据使得对火灾成因、风险扩散及治理效果的精细化研究受限。为填补这一数据空白CnDataSeed团队整理并构建了《中国各类火情研究全量数据库》通过将起火点与土地利用栅格、POI信息及行政区面板数据精确对应实现火情的分类、空间与时序特征的标准化整合。该数据库包含起火点-土地利用明细、栅格面板、POI-起火点关联、行政区面板等核心子表能够反映火情的空间分布、土地利用类型差异、热点聚集模式及潜在风险区域。通过统一算法处理与指标计算数据库生成可量化的核心指标用以揭示火灾发生的环境因素、人类活动关联以及区域治理差异为生态风险分析、灾害预警、资源管理和政策评估提供坚实数据支撑。相比传统火情观测数据它显著提升了火情研究的空间精度、类型区分能力与时间连续性使跨类型、跨区域的长期趋势分析与风险预测成为可能。《中国各类火情研究全量数据库》适用于生态环境研究、自然灾害风险管理、农业面源污染治理、森林与草原保护、城乡安全规划与政策评估等领域。研究者可基于该数据库构建火情发生机制模型、评估治理政策效果、开展多尺度风险模拟实现从火点观测到风险量化的系统跃迁为中国火灾科学研究与生态安全治理提供高质量、可复现的实证支撑二、数据概览数据组成数据字段数据表格1.起火点-土地利用明细表2.栅格面板表3.行政区面板数据表4.POI-起火点关联表三、相关处理—起火点数据处理CRS 对齐与火点–行政区空间匹配对火点数据、行政边界与土地利用栅格进行坐标系统一并通过 geopandas.sjoin() 建立火点与行政区的空间关联为后续土地利用匹配奠定基础。# CRS 对齐 fires fires.to_crs(raster.crs) admin admin.to_crs(raster.crs) # 火点与行政区空间连接 fires_in_bj gpd.sjoin(fires, admin, howinner, predicateintersects)栅格土地利用赋值利用 rasterio.sample() 对火点逐点读取土地利用栅格值实现火点–土地类型的点级关联。coords [(geom.x, geom.y) for geom in fires_in_bj.geometry] vals [v[0] if v else 0 for v in raster.sample(coords)] fires_in_bj[landcover_code] vals fires_in_bj[landcover_class] fires_in_bj[landcover_code].map(landcover_dict)四、相关研究部分相关研究示例Deng, H., Li, D., Cai, S. et al. Spatio-temporal dynamics of forest fire occurrence in Yunnan, China from 2001 to 2021 based on MODIS. npj Nat. Hazards 2, 52 (2025). https://doi.org/10.1038/s44304-025-00102-6更多相关研究[1]Vadrevu, K.P., Lasko, K., Giglio, L. et al. Trends in Vegetation fires in South and Southeast Asian Countries. Sci Rep 9, 7422 (2019). https://doi.org/10.1038/s41598-019-43940-x[2]Li, W., Xu, Q., Yi, J. et al. Predictive model of spatial scale of forest fire driving factors: a case study of Yunnan Province, China. Sci Rep 12, 19029 (2022). https://doi.org/10.1038/s41598-022-23697-6六、获取方式https://cndataseed.com/
（支持资料、图片参考_相关定制）_)
